一种水表读数识别的方法以及相关装置制造方法及图纸

本申请实施例公开了一种水表读数识别的方法以及相关装置，用于提高识别水表读数的效率。获取目标水表图；将所述目标水表图输入目标检测模型，得到目标水表读数框坐标，所述目标检测模型为基于卷积神经网络的网络模型；根据所述目标水表读数框坐标，从所述目标水表图中提取目标水表读数框图；将所述目标水表读数框图输入目标识别模型，得到目标水表读数，所述目标识别模型为基于卷积神经网络的网络模型。

【技术实现步骤摘要】
一种水表读数识别的方法以及相关装置
本申请实施例涉及图像处理
，尤其涉及一种水表读数识别的方法以及相关装置。
技术介绍
水表，是测量水流量的仪表，起源于英国，水表的发展已有近二百年的历史。水表发展到如今，不论是在家庭用水计量，还是在企业用水计量上都得到了广泛的应用。现在普遍的水表数据记录是人工抄表记录，然而这种方式全程都需要人工进行操作，效率十分低下。
技术实现思路
本申请实施例提供了一种水表读数识别的方法以及相关装置，可以提高识别水表读数的效率。本申请实施例第一方面提供了一种水表读数识别的方法，包括：获取目标水表图；将所述目标水表图输入目标检测模型，得到目标水表读数框坐标，所述目标检测模型为基于卷积神经网络的网络模型；根据所述目标水表读数框坐标，从所述目标水表图中提取目标水表读数框图；将所述目标水表读数框图输入目标识别模型，得到目标水表读数，所述目标识别模型为基于卷积神经网络的网络模型。可选的，在获取目标水表图之前，所述方法还包括：训练初始检测模型，得到目标检测模型。可选的，所述训练初始检测模型，得到目标检测模型包括：将检测样本集输入初始检测模型，所述检测样本集包含至少2张预先标记好水表读数框的水表图；随机将所述检测样本集按每M张水表图分组，所述M大于等于1；将任一组样本在所述初始检测模型中正向传播，得到每张水表图的水表读数框坐标；根据检测总损失函数计算检测总损失值，并反向更新所述初始检测模型，所述检测总损失值由分类损失值和回归损失值组成；将所述检测样本集剩下的每一组样本依次在更新后的所述初始检测模型中正向传播，进行检测总损失值计算，并反向更新上一组样本更新过的所述初始检测模型；计算所述检测样本集的平均检测总损失值；依次重复上述步骤以进行下一次迭代，当达到迭代收敛条件后，将最后一次迭代得到的所述初始检测模型确定为目标检测模型。可选的，所述将任一组样本在所述初始检测模型中正向传播，得到每张水表图的水表读数框坐标包括：提取任一组样本的每张水表图的特征图；根据所述特征图生成候选框；对所述候选框进行分类和回归；将所述候选框映射到所述特征图上，得到水表读数框坐标。可选的，所述根据所述特征图生成候选框包括：根据所述特征图生成旋转候选框；所述对所述候选框进行分类和回归包括：对所述旋转候选框进行分类和回归；将所述候选框映射到所述特征图上，得到水表读数框坐标包括：将所述旋转候选框映射到所述特征图上，得到水表读数框坐标。可选的，所述根据检测总损失函数计算检测总损失值包括：根据分类损失函数计算分类损失值；根据回归损失函数计算回归损失值；将所述分类损失值和所述回归损失值分别乘以对应的预设权重并求和，得到检测总损失值。可选的，在所述获取目标水表图之前，所述方法还包括：训练初始识别模型，得到目标识别模型。可选的，所述训练初始识别模型，得到目标识别模型包括：将识别样本集输入初始识别模型，所述识别样本集包含至少2张预先标记好水表读数的水表读数框图；随机将所述识别样本集按每N张水表读数框图分组，所述N大于等于1；将任一组样本在所述初始识别模型中正向传播，得到每张水表读数框图的水表读数；根据识别总损失函数计算识别总损失值，并反向更新所述初始识别模型，所述识别总损失值由连接时序分类损失值和增强损失值组成；将所述识别样本集剩下的每一组样本依次在更新后的所述初始识别模型中正向传播，进行识别总损失值计算，并反向更新上一组样本更新过的所述初始识别模型；计算所述识别样本集的平均识别总损失值；依次重复上述步骤以进行下一次迭代，当达到迭代收敛条件后，将最后一次迭代得到的所述初始识别模型确定为目标识别模型。可选的，所述将任一组样本在所述初始识别模型中正向传播，得到每张水表读数框图的水表读数包括：提取任一组样本的每张水表读数框图的特征图；将所述特征图转化为特征序列；根据所述特征序列生成水表读数。本申请实施例第二方面提供了一种水表读数识别的装置，包括：获取单元，用于获取目标水表图；检测单元，用于将所述目标水表图输入目标检测模型，得到目标水表读数框坐标，所述目标检测模型为基于卷积神经网络的网络模型；提取单元，用于根据所述目标水表读数框坐标，从所述目标水表图中提取目标水表读数框图；识别单元，用于将所述目标水表读数框图输入目标识别模型，得到目标水表读数，所述目标识别模型为基于卷积神经网络的网络模型。可选的，所述装置还包括：第一训练单元，用于训练初始检测模型，得到目标检测模型。可选的，所述第一训练单元包括：第一输入模块，用于将检测样本集输入初始检测模型，所述检测样本集包含至少2张预先标记好水表读数框的水表图；第一分组模块，用于随机将所述检测样本集按每M张水表图分组，所述M大于等于1；第一正向传播模块，用于将任一组样本在所述初始检测模型中正向传播，得到每张水表图的水表读数框坐标；第一计算模块，用于根据检测总损失函数计算检测总损失值，并反向更新所述初始检测模型，所述检测总损失值由分类损失值和回归损失值组成；第一处理模块，用于将所述检测样本集剩下的每一组样本依次在更新后的所述初始检测模型中正向传播，进行检测总损失值计算，并反向更新上一组样本更新过的所述初始检测模型；第二计算模块，用于计算所述检测样本集的平均检测总损失值；第一判断模块，用于判断更新后的所述初始检测模型是否达到迭代收敛条件；第一确定模块，用于当所述第一判断模块确定更新后的所述初始检测模型达到迭代收敛条件时，将最后一次迭代得到的所述初始检测模型确定为目标检测模型。可选的，所述第一正向传播模块具体用于：提取任一组样本的每张水表图的特征图；根据所述特征图生成候选框；对所述候选框进行分类和回归；将所述候选框映射到所述特征图上，得到水表读数框坐标。可选的，所述第一正向传播模块具体还用于：提取任一组样本的每张水表图的特征图；根据所述特征图生成旋转候选框；对所述旋转候选框进行分类和回归；将所述旋转候选框映射到所述特征图上，得到水表读数框坐标。可选的，所述第一计算模块具体用于：根据分类损失函数计算分类损失值；根据回归损失函数计算回归损失值；将所述分类损失值和所述回归损失值分别乘以对应的预设权重并求和，得到检测总损失值。可选的，所述装置还包括：第二训练单元，用于训练初始识别模型，得到目标识别模型。可选的，所述第二训练单元包括：第二输入模块，用于将识别样本集输入初始识别模型，所述识别样本集包含至少2张预先标记好水表读数的水表读数本文档来自技高网...

【技术保护点】
1.一种水表读数识别的方法，其特征在于，包括：/n获取目标水表图；/n将所述目标水表图输入目标检测模型，得到目标水表读数框坐标，所述目标检测模型为基于卷积神经网络的网络模型；/n根据所述目标水表读数框坐标，从所述目标水表图中提取目标水表读数框图；/n将所述目标水表读数框图输入目标识别模型，得到目标水表读数，所述目标识别模型为基于卷积神经网络的网络模型。/n

【技术特征摘要】
1.一种水表读数识别的方法，其特征在于，包括：
获取目标水表图；
将所述目标水表图输入目标检测模型，得到目标水表读数框坐标，所述目标检测模型为基于卷积神经网络的网络模型；
根据所述目标水表读数框坐标，从所述目标水表图中提取目标水表读数框图；
将所述目标水表读数框图输入目标识别模型，得到目标水表读数，所述目标识别模型为基于卷积神经网络的网络模型。


2.根据权利要求1所述的方法，其特征在于，在获取目标水表图之前，所述方法还包括：
训练初始检测模型，得到目标检测模型。


3.根据权利要求2所述的方法，其特在在于，所述训练初始检测模型，得到目标检测模型包括：
将检测样本集输入初始检测模型，所述检测样本集包含至少2张预先标记好水表读数框的水表图；
随机将所述检测样本集按每M张水表图分组，所述M大于等于1；
将任一组样本在所述初始检测模型中正向传播，得到每张水表图的水表读数框坐标；
根据检测总损失函数计算检测总损失值，并反向更新所述初始检测模型，所述检测总损失值由分类损失值和回归损失值组成；
将所述检测样本集剩下的每一组样本依次在更新后的所述初始检测模型中正向传播，进行检测总损失值计算，并反向更新上一组样本更新过的所述初始检测模型；
计算所述检测样本集的平均检测总损失值；
依次重复上述步骤以进行下一次迭代，当达到迭代收敛条件后，将最后一次迭代得到的所述初始检测模型确定为目标检测模型。


4.根据权利要求3所述的方法，其特征在于，所述将任一组样本在所述初始检测模型中正向传播，得到每张水表图的水表读数框坐标包括：
提取任一组样本的每张水表图的特征图；
根据所述特征图生成候选框；
对所述候选框进行分类和回归；
将所述候选框映射到所述特征图上，得到水表读数框坐标。


5.根据权利要求4所述的方法，其特征在于，所述根据所述特征图生成候选框包括：
根据所述特征图生成旋转候选框；
所述对所述候选框进行分类和回归包括：
对所述旋转候选框进行分类和回归；
将所述候选框映射到所述特征图上，得到水表读数框坐标包括：
将所述旋转候选框映射到所述特征图上，得到水表读数框坐...

【专利技术属性】
技术研发人员：罗华，
申请(专利权)人：贵州优特云科技有限公司，
类型：发明
国别省市：贵州;52